In [1]:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
import seaborn as sns
In [2]:
# wczytywanie danych
forestFires_df = pd.read_csv("forest_fires_dataset.csv")
In [3]:
# pierwsze spojrzenie na dane:
forestFires_df.head()
Out[3]:
X Y month day FFMC DMC DC ISI temp RH wind rain area
0 7 5 mar fri 86.2 26.2 94.3 5.1 8.2 51.0 6.7 0.0 0.0
1 7 4 oct tue 90.6 35.4 669.1 6.7 18.0 33.0 0.9 0.0 0.0
2 7 4 oct sat 90.6 43.7 686.9 6.7 14.6 33.0 1.3 0.0 0.0
3 8 6 mar fri 91.7 33.3 77.5 9.0 8.3 97.0 4.0 0.2 0.0
4 8 6 mar sun 89.3 51.3 102.2 9.6 11.4 99.0 1.8 0.0 0.0
In [4]:
# glebsze spojrzenie:
forestFires_df.info()

# widac, ze nie ma zadnych wartosci null. Jezeli bysmy zamierzali uzyc tych danych do uczenia maszynowego,
# przydaloby sie zamienic kolumny miesiac i dzien na wartosci liczbowe.

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 517 entries, 0 to 516
Data columns (total 13 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   X       517 non-null    int64  
 1   Y       517 non-null    int64  
 2   month   517 non-null    object 
 3   day     517 non-null    object 
 4   FFMC    517 non-null    float64
 5   DMC     517 non-null    float64
 6   DC      517 non-null    float64
 7   ISI     517 non-null    float64
 8   temp    517 non-null    float64
 9   RH      517 non-null    float64
 10  wind    517 non-null    float64
 11  rain    517 non-null    float64
 12  area    517 non-null    float64
dtypes: float64(9), int64(2), object(2)
memory usage: 52.6+ KB
In [5]:
# glebsze spojrzenie 2.
forestFires_df.describe()

# dla wiekszosci kolumn dane sa dosyc zblizone do siebie.
# natomiast, dla DMC, DC oraz area, wariancja jest stosunkowo duza w porownaniu do wartosci sredniej, co moze oznaczac
# istnienie duzych outlierow.
Out[5]:
X Y FFMC DMC DC ISI temp RH wind rain area
count 517.000000 517.000000 517.000000 517.000000 517.000000 517.000000 517.000000 517.000000 517.000000 517.000000 517.000000
mean 4.669246 4.299807 90.644681 110.872340 547.940039 9.021663 18.889168 44.288201 4.017602 0.021663 12.847292
std 2.313778 1.229900 5.520111 64.046482 248.066192 4.559477 5.806625 16.317469 1.791653 0.295959 63.655818
min 1.000000 2.000000 18.700000 1.100000 7.900000 0.000000 2.200000 15.000000 0.400000 0.000000 0.000000
25% 3.000000 4.000000 90.200000 68.600000 437.700000 6.500000 15.500000 33.000000 2.700000 0.000000 0.000000
50% 4.000000 4.000000 91.600000 108.300000 664.200000 8.400000 19.300000 42.000000 4.000000 0.000000 0.520000
75% 7.000000 5.000000 92.900000 142.400000 713.900000 10.800000 22.800000 53.000000 4.900000 0.000000 6.570000
max 9.000000 9.000000 96.200000 291.300000 860.600000 56.100000 33.300000 100.000000 9.400000 6.400000 1090.840000
In [6]:
# obraz znaczy wiecej niz 1000 slow...
forestFires_df.hist(figsize=(20, 10), bins=40)
plt.show()

# w wiekszosci jest rozklad normalny (czasami skosny/przesuniety)
# w rain oraz area jest baaaaardzo duzo wartosci 0, mozliwe wiec, ze skala logarytmiczna bedzie dobra
In [7]:
# a co z zaleznosciami pomiedzy zmiennymi?
# sprawdzmy temperature:
sns.pairplot(forestFires_df, y_vars="temp", x_vars=forestFires_df.columns.values[4:8])
sns.pairplot(forestFires_df, y_vars="temp", x_vars=forestFires_df.columns.values[9:13])
plt.show()

# widac korelacje temp-RH (relative humidity), co jest dosyc oczywiste
In [8]:
# a dla logarytmu:

forestFires_df["tempLog"] = np.log1p(forestFires_df["temp"])
sns.pairplot(forestFires_df, y_vars="tempLog", x_vars=forestFires_df.columns.values[4:8])
sns.pairplot(forestFires_df, y_vars="tempLog", x_vars=forestFires_df.columns.values[9:13])
plt.show()
In [9]:
# sprawdzmy area:
sns.pairplot(forestFires_df, y_vars="area", x_vars=forestFires_df.columns.values[4:8])
sns.pairplot(forestFires_df, y_vars="area", x_vars=forestFires_df.columns.values[8:12])
plt.show()

# ???, moze dla log cos bedzie?
In [10]:
forestFires_df["areaLog"] = np.log1p(forestFires_df["area"])
sns.pairplot(forestFires_df, y_vars="areaLog", x_vars=forestFires_df.columns.values[4:8])
sns.pairplot(forestFires_df, y_vars="areaLog", x_vars=forestFires_df.columns.values[8:12])
plt.show()

# ?????
In [11]:
# w ktore miesiace jest najwiecej pozarow?
forestFires_df["month"].value_counts().plot(kind='bar')
plt.show()

# znaczna wiekszosc pozarow wystepuje w sierpniu i wrzesniu
In [12]:
# w ktore dni tygodnia jest najwiecej pozarow?
forestFires_df["day"].value_counts().plot(kind='bar')
plt.show()

# czesciej pozary wystepuja w weekend
In [13]:
# ale sama ilosc pozarow nie oznacza jakosci, sprawdzmy jak sie maja pozary pod wzgledem sumy powierzchni od miesiaca
forestFires_df.groupby("month").area.sum().sort_values(ascending=False).plot(kind="bar")
plt.show()

# jest wiec jednak zamiana, i to w sierpniu plonie wieksza powierzchnia lasow niz we wrzesniu
In [14]:
# a dla dni tygodni?
forestFires_df.groupby("day").area.sum().sort_values(ascending=False).plot(kind="bar")
plt.show()

# w piatek niby jest duzo pozarow, ale plonie jednak najmniejsza powierzchnia
In [15]:
# sprawdzmy jeszcze automatyczna analize danych:
from pandas_profiling import ProfileReport
ProfileReport(forestFires_df)
Out[15]:




















In [16]:



     


# jest tutaj duzo danych. Zwlaszcza spodobaly mi sie wizualizacje korelacji. Niestety, nie mozna zmieniac kolejnosci
# wyswietlania danych. Sprawia to problem, gdyz sa tutaj informacje o wszystkich danych, zamiast wybranych, co rozprasza.
# Rowniez, otrzymane raporty sa bardzo duze pod wzgledem szerokosci i wysokosci.



     















In [ ]: